[論文レビュー] Sparse Approximate Factor Estimation for High-Dimensional Covariance Matrices

Maurizio Daniele, Winfried Pohlmeier+1 more|arXiv (Cornell University)|Jun 13, 2019

Financial Markets and Investment Strategies参考文献 21被引用数 3

ひとこと要約

本稿では、弱い因子を伴う高次元データに対応するため、因子負荷に l₁-正則化を適用するスパース近似因子（SAF）共分散推定器を提案する。これは、標準的な広範な因子仮定を緩和するもので、Frobeniusノルムにおける共分散行列、因子、負荷の一貫性推定を達成し、有限標本およびアウトオブサンプルポートフォリオ予測において既存手法を上回る性能を示す。

ABSTRACT

We propose a novel estimation approach for the covariance matrix based on the $l_1$-regularized approximate factor model. Our sparse approximate factor (SAF) covariance estimator allows for the existence of weak factors and hence relaxes the pervasiveness assumption generally adopted for the standard approximate factor model. We prove consistency of the covariance matrix estimator under the Frobenius norm as well as the consistency of the factor loadings and the factors. Our Monte Carlo simulations reveal that the SAF covariance estimator has superior properties in finite samples for low and high dimensions and different designs of the covariance matrix. Moreover, in an out-of-sample portfolio forecasting application the estimator uniformly outperforms alternative portfolio strategies based on alternative covariance estimation approaches and modeling strategies including the $1/N$-strategy.

研究の動機と目的

• 標準的な近似因子モデルが広範な因子を仮定するという制限に対処すること。これは、高次元経済・金融データにおいて成立しない可能性がある。
• 因子が変数の一部にしか影響を与えない（弱い因子）状況でも、因子負荷にスパarsityを組み込むことで、共分散行列の推定が一貫性を保つような推定器を開発すること。
• 変数数 N が標本サイズ T と同等またはそれ以上であるような状況において、高次元共分散推定の有限標本性能を向上させること。
• 1/N戦略を含む既存手法と比較して、より頑健で正確な共分散推定器を構築することで、ポートフォリオアロケーションの性能を向上させること。
• 共分散行列への直接正則化ではなく、因子負荷に l₁-ペナルティを適用することにより、因子モデリングと正則化を統合し、解釈可能性と柔軟性を向上させること。

提案手法

• 因子負荷行列に l₁-正則化を適用してスパarsityを誘導し、次元削減を図る、新しいスパース近似因子（SAF）モデルを提案する。
• モデル適合とスパarsityのバランスをとるため、ペナルティ付き尤度または最適化フレームワークを用いて因子負荷と共通因子を推定する。
• N と T がともに無限大に近づく際、FrobeniusノルムにおけるSAF共分散推定器の一貫性、および推定因子負荷と因子の一貫性を導出する。
• 2段階推定手順に依存する：まず、標本共分散行列の固有値分解を用いて因子構造を推定；次に、直交化された残差を用いて固有値推定値を精緻化する。
• 有限標本におけるバイアスとバイアスの最適なトレードオフを確保するため、交差検証を用いて最適な l₁-正則化パラメータを選択する。
• POET（主成分補完しきい値処理）フレームワークを拡張し、因子負荷にスパarsityを組み込むことで、弱い因子のモデル化が可能になり、共通成分のより柔軟なモデル化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 因子が弱いか、広範でない場合に、因子負荷への l₁-正則化が、高次元共分散推定の有限標本性能を向上させるか？
• RQ2 提案されたSAF推定器が、高次元設定下でFrobeniusノルムにおいて共分散行列、因子、負荷の推定に関して一貫性を示すか？
• RQ3 ポートフォリオリスク予測の精度という観点から、SAF推定器は、しきい値処理や1/N戦略を含む代替共分散推定器と比較してどのように異なるか？
• RQ4 因子負荷行列のスパarsityが、弱い因子のモデル化を可能にし、標準的な広範な因子仮定を緩和する程度はどの程度か？
• RQ5 実世界の高次元データにおけるポートフォリオアロケーション応用において、SAFアプローチは、既存の正則化および因子ベース手法を上回る性能を示せるか？

主な発見

• SAF共分散推定器は、N と T がともに無限大に近づく際、Frobeniusノルムにおいて母共分散行列の推定に関して一貫性を示す。
• 因子が弱く、変数の一部にしか影響を与えない場合でも、因子負荷および共通因子の推定に関して、推定器は一貫性を保つ。
• モンテカルロシミュレーションの結果、SAF推定器は、しきい値処理、1/N戦略、POETを含む代替手法を、低次元および高次元設定、さまざまな共分散行列設計において常に上回る。
• アウトオブサンプルポートフォリオ予測の応用において、SAF推定器は、1/N分散化ルールを含むすべてのベンチマーク戦略を、ポートフォリオリスクおよびシャープレシオという観点から一貫して上回る。
• 因子負荷への l₁-正則化は、特に背後にある因子が広範でない場合に、より頑健で解釈可能な因子構造をもたらす。
• 因子構造とスパarsityを組み合わせることで、高次元共分散行列の推定誤差を効果的に低減し、有限標本性能が向上する。